К содержимому
Другое

LPCompact-Qwen3.5-9B

компактор кэша внимания для длинного контекста

1 мин чтенияобновлено

Модель представляет собой небольшой селектор на 393 473 параметра, который сжимает кэш внимания (attention cache) базовой модели Qwen/Qwen3.5-9B. Она оценивает важность позиций по значениям внимания на определенных слоях и сохраняет ключевые ключи и значения, а также состояния рекурсии и свертки. Это позволяет эффективнее работать с длинными контекстами без существенной потери точности. Модель пригодится разработчикам и исследователям, работающим с большими объемами текстовых данных и длинными сессиями.

Ключевые особенности

  • Сжатие кэша: сокращает объем памяти для хранения истории длинных контекстов.
  • Гибкая политика: стандартная политика 8x сохраняет первые и последние 512 позиций с минимальным пределом в 1024 позиции.
  • Настройка сжатия: возможность указать параметр ratio для сохранения большего объема памяти.
  • Универсальность: поддерживаются форматы BF16, NF4 и совместимые веса GGUF.

Что можно сделать

  • Интеграция в пайплайны: использовать библиотеку latentport для префилла и сеансов генерации с уменьшенным кэшем.
  • Работа с большими документами: применять для задач поиска в репозиториях и структурированных данных при длинной истории.

Пример

import latentport as lp

with lp.load_model("Qwen/Qwen3.5-9B", backend="bf16") as model:
    state = model.prefill(history)
    child = state.compact()
    answer = model.session(child).ask("Continue the task.")
ПодробнееТребуется LatentPort версии 0.4.0 или новее.
Сжатие по умолчанию начинается с 65 536 физических позиций.
Обучение включало разминку на 16 историях и 256 обновлениях AdamW, а затем полезное обучение на 32 историях.
Обсудить Telegram 0 35

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.0 GB · готовые файлы0.5 GB
  • BF16веса 0.0 GB0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · F32 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # latentport/LPCompact-Qwen3.5-9B
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download latentport/LPCompact-Qwen3.5-9B --local-dir ~/models/LPCompact-Qwen3.5-9B
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к LPCompact-Qwen3.5-9B
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Дообучение модели

Qwen/Qwen3.5-9B
  1. Qwen3.5-9B-Baseоснова семьи
  2. Qwen3.5-9B
  3. LPCompact-Qwen3.5-9B

Новые посты про версии Qwen3.5-9B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 6Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

latentport/LPCompact-Qwen3.5-9B
Автор
latentport
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

350

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

VisAlloc-9B

VisAlloc-9B